37、动态神经网络短期负荷预测与分区排序算法研究

动态神经网络短期负荷预测与分区排序算法研究

动态神经网络短期负荷预测

在短期负荷预测领域，动态神经网络展现出了良好的性能。学习率（ή）和动量增益（α）在网络训练中起着关键作用。对于Elman网络，其权重更新遵循二阶牛顿法，即Levenberg - Marquardt（L - M）算法，权重更新规则如下：
[
\Delta W = (J^TJ + \mu I)^{-1}J^TE
]
其中，$J$是每个误差对每个权重的导数的雅可比矩阵，$I$是单位矩阵，$\mu$是标量，$E$是误差向量。

径向基函数（RBF）网络是一种两层网络，其隐藏层包含径向基函数神经元，通常使用高斯激活函数$\sigma (x)$。节点输入是函数中心与网络输入向量之间的欧几里得距离，并将结果通过非线性函数$\sigma (x)$：
[
\sigma_j(x) = \exp\left[-\frac{(x - \mu_j)}{\Upsilon_j^2}\right]
]
这里，$X$是输入向量，$\mu_j$是感受野的中心，$\Upsilon_j$是感受野的宽度，$\sigma_j(x)$是第$j$个神经元的输出。

RBF神经网络进行局部映射，即只有靠近感受野的输入才会产生激活；而前馈神经网络（FFNN）进行全局映射，所有输入都会产生输出。RBF网络的训练与其他网络不同，其权重调整是为了实现零误差，即产生最大误差的权重会被导致该误差的信号值所替代。随着新的训练输入的提供，这个过程会逐步进行，并且每次权重数量会按预设数量增加。当整体输出误差落在可接受的误差范围内，或者隐藏节点数量达到最大允许值时，训练停止。

为了评估不